一种基于深度学习技术的渣土车是否盖盖识别方法技术

本发明专利技术提供了一种基于深度学习技术的渣土车是否盖盖识别方法，通过深度学习技术，解决了渣土车是否盖盖的识别问题，实现了实时审核，提高了工作效率，而且通过二次优化过程，提高了算法的泛化能力，实现了在不同的应用场景中，提高算法的识别准确率的目的。本发明专利技术的有益效果在于：本发明专利技术的方法利用卷积神经网络能够提供较好的局部特征，很好地解决由于拍摄角度、背景复杂以及形状相似等原因造成识别难度大，不易分类的问题；本发明专利技术的方法在对是否盖盖分类上具有较高的检测准确率，解决人工审核渣土车违规行为效率低、结果具有滞后性的问题，而且对于智能违法系统的建立具有重要的意义。

A recognition method based on deep learning technology for cover of muck truck

【技术实现步骤摘要】
一种基于深度学习技术的渣土车是否盖盖识别方法
本专利技术属于道路交通安全
，涉及一种渣土车是否盖盖识别方法，具体涉及一种基于深度学习技术的渣土车是否盖盖识别方法。
技术介绍
在城市道路上，不规范的渣土车行驶过程中往往会洒落建筑垃圾、石块砂砾，导致路面失控，引发交通事故。渣土车在行驶过程中，未盖盖可能会造成超重超限，破坏公路设施，造成安全隐患。为进一步遏制渣土车在运输过程中出现的违规行为，加强对渣土车运输的管理，切实改善道路交通安全，本专利技术提出了一种基于深度学习技术识别渣土车是否盖盖的技术。国内在车型识别方面的研究主要侧重在如何提取有效的图像特征进而用于车型识别。例如，2010年黄灿等人利用SIFT特征检测车辆目标区域的尺度特征点，并计算每个特征点的主方向，生成SIFT描述子。2012年万文利设计了车辆轮廓的不相关二维方差矩阵特征，与模板的方差矩阵进行匹配分类。近些年，随着深度学习在图像识别领域的优异表现，该方法也被用在车型识别中。不同于传统的过于依赖先验知识的特征提取的深度学习算法开始流行，2016年，邓柳等人采用一个本文档来自技高网...

【技术保护点】
1.一种基于深度学习技术的渣土车是否盖盖识别方法，其特征在于，所述方法包括以下步骤：/nS1: 从道路交通电子监控设备中提取车辆的正面拍摄图片；/nS2: 将所述图片输入到车辆检测模型，并通过所述车辆检测模型检测出图片中的车辆位置；/nS3: 将检测出的车辆位置，输入到渣土车分类器中，所述渣土车分类器包含盖盖渣土车、未盖盖渣土、其他货车三类；/nS4: 通过所述渣土车分类器识别车辆分类，输出识别结果，若结果为未盖盖渣土车，则输出预警信息；若结果为盖盖渣土车或其他货车，则不输出预警信息，识别结束；/nS5: 积累数据，对所述渣土车分类器进行二次优化，提高分类的准确率。/n

【技术特征摘要】
1.一种基于深度学习技术的渣土车是否盖盖识别方法，其特征在于，所述方法包括以下步骤：
S1:从道路交通电子监控设备中提取车辆的正面拍摄图片；
S2:将所述图片输入到车辆检测模型，并通过所述车辆检测模型检测出图片中的车辆位置；
S3:将检测出的车辆位置，输入到渣土车分类器中，所述渣土车分类器包含盖盖渣土车、未盖盖渣土、其他货车三类；
S4:通过所述渣土车分类器识别车辆分类，输出识别结果，若结果为未盖盖渣土车，则输出预警信息；若结果为盖盖渣土车或其他货车，则不输出预警信息，识别结束；
S5:积累数据，对所述渣土车分类器进行二次优化，提高分类的准确率。


2.根据权利要求1所述的一种基于深度学习技术的渣土车是否盖盖识别方法，其特征在于：步骤S2中所述车辆检测模型，用于检测所述图片中出现的所有车辆，是通过利用卷积核，下采样和池化的方法逐层、逐级地抽取待识别的图像特征，并在网络输出端对最终特征进行分类处理实现的。


3.根据权利要求2所述的一种基于深度学习技术的渣土车是否盖盖识别方法，其特征在于：所述车辆检测模型的检测过程包括以下步骤：
S2-1图像预处理：对样本图像进行标注，并按照比例分为训练集和测试集；对采集的所述样本图像进行平移、转置、镜像、旋转、缩放的几何变换，用于改正卡口摄像机的自动拍摄系统的系统误差和仪器位置造成的随机误差；其中所述仪器位置造成的随机误差包括成像角度、透视关系乃至镜头自身原因造成的误差；
S2-2目标车辆检测：基于ResNet-...

【专利技术属性】
技术研发人员：张静乐，齐聪雅，
申请(专利权)人：北京慧智数据科技有限公司，
类型：发明
国别省市：北京;11